![\"\"](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/anovaSAS1.jpg\")
<\/figure>\n2. Hypoth\u00e8ses statistiques et conditions d’application pr\u00e9alables<\/h2>\n2.1 Ind\u00e9pendance des observations et \u00e9chantillonnage al\u00e9atoire<\/h3>\n
L’ind\u00e9pendance statistique des observations repr\u00e9sente l’hypoth\u00e8se m\u00e9thodologique la plus critique de l’analyse de variance, tout en \u00e9tant la plus r\u00e9fractaire aux rectifications calculatoires a posteriori. Cette condition stipule que la valeur prise par la variable d\u00e9pendante pour une observation j au sein d’une modalit\u00e9 exp\u00e9rimentale i n’exerce aucune influence directe ou indirecte sur le score d’une quelconque autre observation du jeu de donn\u00e9es, et n’est soumise \u00e0 aucune covariance syst\u00e9matique non mod\u00e9lis\u00e9e. Cette ind\u00e9pendance d\u00e9pend intrins\u00e8quement du protocole d’\u00e9chantillonnage et de la rigueur de l’assignation al\u00e9atoire des unit\u00e9s statistiques aux diverses conditions de traitement.<\/p>\n
Lorsque cette hypoth\u00e8se d’ind\u00e9pendance est viol\u00e9e, les cons\u00e9quences sur l’inf\u00e9rence statistique sont d\u00e9vastatrices. En pr\u00e9sence d’une corr\u00e9lation r\u00e9siduelle positive entre participants — un ph\u00e9nom\u00e8ne omnipr\u00e9sent lors du recueil de donn\u00e9es au sein d’unit\u00e9s sociales pr\u00e9existantes telles que des classes scolaires, des fratries ou des groupes th\u00e9rapeutiques —, l’estimation de l’erreur r\u00e9siduelle intra-groupe (MSW) est substantiellement biais\u00e9e vers le bas. Les observations regroup\u00e9es ayant tendance \u00e0 se ressembler davantage que des individus s\u00e9lectionn\u00e9s au hasard absolu dans la population, le d\u00e9nominateur du test F devient artificiellement compress\u00e9. Cela gonfle de mani\u00e8re disproportionn\u00e9e la statistique F observ\u00e9e, conduisant \u00e0 des p-valeurs facticement minuscules et propulsant le taux r\u00e9el d’erreur de type I bien au-del\u00e0 de 20 ou 30 % pour un seuil nominal affich\u00e9 de 5 %.<\/p>\n
Les investigateurs doivent imp\u00e9rativement pr\u00e9venir ces \u00e9cueils d\u00e8s la phase d’op\u00e9rationnalisation empirique en \u00e9vitant les passations collectives non contr\u00f4l\u00e9es ou les interf\u00e9rences directes entre sujets. Si des participants interagissent verbalement durant une t\u00e2che cognitive ou si plusieurs mesures proviennent d’un m\u00eame sujet au fil du temps, le mod\u00e8le univari\u00e9 standard \u00e0 un facteur pour \u00e9chantillons ind\u00e9pendants s’av\u00e8re totalement inop\u00e9rant. Il convient alors de recourir \u00e0 des mod\u00e8les lin\u00e9aires mixtes hi\u00e9rarchiques int\u00e9grant des intercepts al\u00e9atoires via la proc\u00e9dure MIXED de SAS pour mod\u00e9liser ad\u00e9quatement la matrice de variance-covariance intraclasse.<\/p>\n
2.2 Normalit\u00e9 de la variable d\u00e9pendante et robustesse statistique<\/h3>\n
L’ANOVA classique assume formellement que la variable d\u00e9pendante quantitative continue, ou de fa\u00e7on plus rigoureuse les r\u00e9sidus al\u00e9atoires epsilon(ij), suivent une distribution gaussienne sym\u00e9trique au sein de chacune des k sous-populations d\u00e9finies par le facteur cat\u00e9goriel. Cette exigence th\u00e9orique d\u00e9coule directement de la construction math\u00e9matique de la distribution F de Fisher, qui est mod\u00e9lis\u00e9e \u00e0 partir du rapport de deux variables al\u00e9atoires ind\u00e9pendantes suivant chacune une distribution de Chi-deux divis\u00e9e par leurs degr\u00e9s de libert\u00e9 respectifs. Or, une variable de Chi-deux n’est obtenue que par la sommation de carr\u00e9s d’observations normalement distribu\u00e9es et centr\u00e9es r\u00e9duites.<\/p>\n
En pratique exp\u00e9rimentale, les donn\u00e9es psychologiques pures pr\u00e9sentent fr\u00e9quemment des \u00e9carts perceptibles vis-\u00e0-vis de la cloche gaussienne id\u00e9ale, prenant la forme d’asym\u00e9tries positives marqu\u00e9es pour les latences temporelles ou de ph\u00e9nom\u00e8nes d’aplatissement (kurtosis platykurtique ou leptokurtique) pour des scores d’\u00e9valuation clinique. L’analyse de variance d\u00e9montre toutefois une robustesse remarquable face aux d\u00e9viations mod\u00e9r\u00e9es de la normalit\u00e9, \u00e0 condition que les \u00e9chantillons sous chaque condition soient \u00e9quilibr\u00e9s et d’effectifs suffisants. En vertu des principes asymptotiques gouvern\u00e9s par le th\u00e9or\u00e8me central limite<\/a>, la distribution des moyennes d’\u00e9chantillonnage tend in\u00e9luctablement vers la normalit\u00e9 \u00e0 mesure que les effectifs croissent, neutralisant une vaste part du biais inf\u00e9rentiel potentiel.<\/p>\n Une r\u00e8gle prudentielle g\u00e9n\u00e9ralement admise dans la litt\u00e9rature de biostatistique postule que d\u00e8s lors que les effectifs conditionnels atteignent ou d\u00e9passent vingt \u00e0 trente participants par groupe (n >= 25 ou 30), et en l’absence de valeurs aberrantes extr\u00eames tirant artificiellement les barycentres, la validit\u00e9 des seuils de d\u00e9cision associ\u00e9s au test F demeure intacte. En revanche, face \u00e0 des micro-\u00e9chantillons (n < 10 par groupe) pr\u00e9sentant des asym\u00e9tries s\u00e9v\u00e8res, les estimations probabilistes exactes sont fauss\u00e9es, justifiant alors soit des transformations non lin\u00e9aires de la variable (par exemple logarithmiques ou inverses), soit le basculement vers des alternatives non param\u00e9triques.<\/p>\n L’hypoth\u00e8se d’homosc\u00e9dasticit\u00e9, ou d’homog\u00e9n\u00e9it\u00e9 des variances, exige que la variance th\u00e9orique de la variable r\u00e9ponse soit rigoureusement identique au sein de chaque strate d\u00e9finie par les k niveaux du facteur ind\u00e9pendant. Formellement, l’\u00e9quation sigma^2(1) = sigma^2(2) = … = sigma^2(k) = sigma^2 doit \u00eatre satisfaite. Le mod\u00e8le de l’ANOVA poolant l’ensemble des d\u00e9viations quadratiques individuelles pour constituer un d\u00e9nominateur commun d’erreur (le carr\u00e9 moyen intra-groupe MSW), cette op\u00e9ration alg\u00e9brique de mise en commun perd son sens th\u00e9orique fondamental si les sous-populations exhibent des dispersions intrins\u00e8quement divergentes.<\/p>\n L’impact de l’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 sur la robustesse du test F d\u00e9pend de fa\u00e7on d\u00e9terminante de la configuration des effectifs d’\u00e9chantillonnage des groupes. Dans le cas d’un plan strictement \u00e9quilibr\u00e9, caract\u00e9ris\u00e9 par des tailles d’\u00e9chantillons parfaitement identiques dans chaque condition (n(1) = n(2) = … = n(k)), le test F conserve une robustesse remarquable m\u00eame face \u00e0 des disparit\u00e9s de variance substantielles, tant que le rapport entre la variance la plus \u00e9lev\u00e9e et la variance la plus faible ne d\u00e9passe pas un facteur de trois ou quatre. L’inflation du taux d’erreur alpha demeure alors n\u00e9gligeable pour la prise de d\u00e9cision pratique.<\/p>\n En revanche, la conjonction pernicieuse d’une h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 et d’un plan exp\u00e9rimental d\u00e9s\u00e9quilibr\u00e9 (tailles de groupes asym\u00e9triques) engendre des distorsions statistiques majeures. Deux sc\u00e9narios distincts se pr\u00e9sentent : L’environnement SAS architecture l’ensemble de ses manipulations de donn\u00e9es autour de deux briques syntaxiques cardinales : l’\u00e9tape DATA et l’\u00e9tape PROC. Pour impl\u00e9menter une analyse de variance, la premi\u00e8re op\u00e9ration consiste \u00e0 \u00e9laborer ou compiler une table de donn\u00e9es SAS rectangulaire respectant strictement le format dit univari\u00e9 long, dans lequel chaque ligne individuelle correspond rigoureusement \u00e0 une unit\u00e9 d’observation unique (un participant) et chaque colonne repr\u00e9sente une variable nominale ou continue formalis\u00e9e. L’\u00e9tape DATA permet de saisir directement des matrices d’observations dans l’\u00e9diteur de programme \u00e0 des fins de mod\u00e9lisation rapide ou de v\u00e9rification didactique.<\/p>\n L’instruction INPUT occupe une position charni\u00e8re au sein du bloc DATA. Elle permet d’instancier les identifiants de colonnes et de stipuler leur typage syst\u00e8me intrins\u00e8que. Pour d\u00e9signer la variable ind\u00e9pendante cat\u00e9gorielle repr\u00e9sentant les m\u00e9thodes p\u00e9dagogiques ou conditions d’exposition exp\u00e9rimentale, il convient d’accoler imm\u00e9diatement le modificateur alphanum\u00e9rique dollar ($) derri\u00e8re le nom de la variable dans l’instruction INPUT. L’absence de ce symbole conduit in\u00e9vitablement SAS \u00e0 interpr\u00e9ter la modalit\u00e9 comme une variable quantitative num\u00e9rique continue, ce qui d\u00e9clencherait des erreurs de conversion d’entr\u00e9es lors de la lecture d’\u00e9tiquettes textuelles alphab\u00e9tiques. La variable d\u00e9pendante continue, quant \u00e0 elle, ne porte aucun caract\u00e8re suffixe et se trouve d\u00e9clar\u00e9e comme champ num\u00e9rique standard.<\/p>\n La commande DATALINES (ou son \u00e9quivalent s\u00e9mantique CARDS) signale au compilateur SAS que les lignes subs\u00e9quentes du script ne constituent pas des instructions ex\u00e9cutables, mais le flux brut des valeurs d’enregistrement. Les entr\u00e9es doivent \u00eatre s\u00e9par\u00e9es par des espaces simples respectant l’ordre syntaxique de l’instruction INPUT, chaque ligne se terminant par un retour chariot. La cl\u00f4ture de l’\u00e9tape est imp\u00e9rativement mat\u00e9rialis\u00e9e par l’instruction RUN, qui commande l’ex\u00e9cution imm\u00e9diate du bloc d’instructions compil\u00e9 et g\u00e9n\u00e8re le fichier binaire SAS7BDAT dans la biblioth\u00e8que temporaire de travail WORK. Le strict respect d’une typographie sans ambigu\u00eft\u00e9 pour les modalit\u00e9s textuelles (par exemple eviter les espaces ins\u00e9cables ou accents discordants) garantit une segmentation factorielle parfaite lors des \u00e9tapes inf\u00e9rentielles subs\u00e9quentes.<\/p>\n Dans la conduite effective de recherches universitaires d’envergure, les donn\u00e9es brutes proviennent quasi syst\u00e9matiquement de collecteurs externes num\u00e9riques, de plateformes de tests en ligne ou de tableurs \u00e9lectroniques sous formats CSV ou Microsoft Excel (.xlsx). L’importation de ces gisements d’informations vers l’espace de travail SAS s’op\u00e8re de fa\u00e7on canonique \u00e0 l’aide de la proc\u00e9dure utilitaire PROC IMPORT. Cette proc\u00e9dure d\u00e9di\u00e9e automatise la lecture, l’attribution des m\u00e9tadonn\u00e9es et la g\u00e9n\u00e9ration instantan\u00e9e de la table SAS exploitable par les modules de mod\u00e9lisation math\u00e9matique.<\/p>\n La formulation syntaxique de base implique de stipuler l’emplacement physique du fichier source via l’argument DATAFILE, de d\u00e9signer la table de destination via OUT=, et de pr\u00e9ciser le moteur d’interpr\u00e9tation via l’argument DBMS. Pour un fichier s\u00e9par\u00e9 par des virgules, l’option DBMS=CSV est sp\u00e9cifi\u00e9e, tandis qu’un fichier de tableur r\u00e9cent requiert DBMS=XLSX. Deux options de contr\u00f4le s’av\u00e8rent indispensables pour pr\u00e9server l’int\u00e9grit\u00e9 de la structure : l’option GETNAMES=YES commande \u00e0 SAS de mobiliser la toute premi\u00e8re rang\u00e9e du tableau source pour g\u00e9n\u00e9rer les libell\u00e9s de colonnes, et l’argument REPLACE autorise l’\u00e9crasement dynamique de la table dans l’espace WORK en cas d’ex\u00e9cutions successives du script d’analyse.<\/p>\n Un \u00e9cueil classique d’importation r\u00e9side dans la d\u00e9termination erron\u00e9e des formats de colonnes, notamment lorsqu’une variable num\u00e9rique contient sporadiquement des caract\u00e8res textuels de codage de donn\u00e9es manquantes (tels que NA ou non disponible). Par d\u00e9faut, SAS \u00e9value les types de variables en inspectant uniquement les vingt premi\u00e8res rang\u00e9es du document externe. Si une modalit\u00e9 texte n’appara\u00eet qu’au-del\u00e0 de cette fronti\u00e8re, ou si la dispersion des longueurs est mal calibr\u00e9e, la variable quantitative peut \u00eatre tragiquement tronqu\u00e9e ou convertie en cha\u00eene alphanum\u00e9rique. Pour circonscrire cat\u00e9goriquement cette instabilit\u00e9, il est imp\u00e9ratif d’int\u00e9grer l’option GUESSINGROWS=MAX (ou un volume d’observations arbitrairement vaste, tel que GUESSINGROWS=5000), contraignant l’algorithme \u00e0 scanner l’int\u00e9gralit\u00e9 du document avant de statuer sur le typage d\u00e9finitif de la table SAS.<\/p>\n L’\u00e9tape pr\u00e9liminaire incontournable avant tout d\u00e9ploiement de calculs probabilistes r\u00e9side dans la r\u00e9alisation d’un audit de conformit\u00e9 structurelle de la table SAS import\u00e9e. Cet examen syst\u00e9matique permet d’\u00e9viter l’inclusion accidentelle d’anomalies de typage qui invalideraient le mod\u00e8le lin\u00e9aire. Deux proc\u00e9dures descriptives \u00e9l\u00e9mentaires se partagent cette t\u00e2che diagnostique initiale : la proc\u00e9dure PROC CONTENTS et la proc\u00e9dure PROC PRINT.<\/p>\n La proc\u00e9dure PROC CONTENTS fournit une autopsie m\u00e9ticuleuse des m\u00e9tadonn\u00e9es logiques du fichier SAS. Son ex\u00e9cution permet de certifier que la variable d\u00e9pendante continue figure sans \u00e9quivoque avec le statut num\u00e9rique (Type: Num), et que sa longueur m\u00e9moire est adapt\u00e9e pour accueillir des valeurs \u00e0 virgule flottante sans perte de pr\u00e9cision. Simultan\u00e9ment, l’analyste s’assure que la variable de groupement factoriel est correctement index\u00e9e en format alphanum\u00e9rique (Type: Char) ou qu’elle est assortie d’un format de libell\u00e9 personnalis\u00e9 si elle a \u00e9t\u00e9 encod\u00e9e num\u00e9riquement (1, 2, 3). Cette v\u00e9rification pr\u00e9vient l’erreur catastrophique consistant \u00e0 ins\u00e9rer une variable continue dans la liste des r\u00e9gresseurs continus au lieu de la traiter comme un facteur \u00e0 effets fixes qualitatif.<\/p>\n Conjointement, l’invocation de la proc\u00e9dure PROC PRINT compl\u00e9t\u00e9e par l’option d’observation restreinte OBS=10 permet d’imprimer dans la fen\u00eatre de r\u00e9sultats un \u00e9chantillon repr\u00e9sentatif des premi\u00e8res lignes de la base. Cet examen visuel direct sert \u00e0 valider le parfait alignement des vecteurs de scores, la bonne conversion des d\u00e9limiteurs d\u00e9cimaux (points versus virgules europ\u00e9ennes) et la d\u00e9tection d’\u00e9ventuels d\u00e9calages de cellules. De plus, la d\u00e9tection des valeurs manquantes s’av\u00e8re capitale : dans SAS, une case vide num\u00e9rique est d\u00e9sign\u00e9e par un point isol\u00e9 (. ) et sera automatiquement exclue par l’algorithme d’ANOVA selon le principe de l’analyse par suppression par observation (listwise deletion). D\u00e9terminer le volume exact de ces exclusions techniques est un pr\u00e9alable indispensable pour documenter fid\u00e8lement les effectifs r\u00e9els engag\u00e9s dans l’\u00e9preuve statistique.<\/p>\n Toute exploration inf\u00e9rentielle rigoureuse doit imp\u00e9rativement s’enraciner dans une analyse descriptive exhaustive des caract\u00e9ristiques distributionnelles des sous-\u00e9chantillons. Dans SAS, la proc\u00e9dure PROC MEANS est le moteur d’agr\u00e9gation privil\u00e9gi\u00e9 pour extraire instantan\u00e9ment la moyenne empirique, l’\u00e9cart-type d’\u00e9chantillonnage, la variance, la m\u00e9diane, l’\u00e9cart interquartile, ainsi que l’erreur-type de la moyenne pour chacun des niveaux du facteur cat\u00e9goriel. Cette ventilation diff\u00e9rentielle est d\u00e9clench\u00e9e de fa\u00e7on optimale par l’insertion de l’instruction CLASS, suivie de l’intitul\u00e9 de la variable nominale d\u00e9signant les groupes exp\u00e9rimentaux.<\/p>\n L’instruction VAR d\u00e9signe express\u00e9ment la variable r\u00e9ponse m\u00e9trique soumise \u00e0 l’\u00e9valuation. En agr\u00e9mentant l’en-t\u00eate de la proc\u00e9dure des sp\u00e9cificateurs statistiques cibl\u00e9s tels que N, MEAN, STD, MEDIAN, QRANGE et CLM, le chercheur dispose d’une matrice condens\u00e9e r\u00e9sumant l’architecture de ses donn\u00e9es. La lecture comparative des moyennes conditionnelles permet d’esquisser une intuition clinique ou th\u00e9orique pr\u00e9liminaire quant \u00e0 la sup\u00e9riorit\u00e9 relative d’un traitement sur un autre. Plus fondamentalement encore, l’analyse comparative des \u00e9carts-types offre une premi\u00e8re estimation visuelle du respect du postulat d’homosc\u00e9dasticit\u00e9 : une divergence disproportionn\u00e9e (par exemple un \u00e9cart-type triplant d’une modalit\u00e9 \u00e0 l’autre) alerte imm\u00e9diatement l’analyste sur une probable violation des variances stables.<\/p>\n De surcro\u00eet, le calcul syst\u00e9matique des intervalles de confiance \u00e0 95 % autour de la moyenne conditionnelle (d\u00e9riv\u00e9s de l’option CLM) mat\u00e9rialise l’\u00e9tendue plausible du param\u00e8tre dans la population parente. Le chevauchement massif ou, au contraire, la disjonction visuelle nette entre les bornes inf\u00e9rieures et sup\u00e9rieures d’intervalles de confiance de deux modalit\u00e9s renseigne l’investigateur sur l’issue hautement pr\u00e9visible du test d’hypoth\u00e8se global de Fisher. Cet examen chiffr\u00e9 \u00e9vite ainsi les d\u00e9convenues d’interpr\u00e9tation lors de l’obtention des volumineuses matrices de calcul inf\u00e9rentielles de l’ANOVA.<\/p>\n L’\u00e9valuation rigoureuse du postulat de normalit\u00e9 des distributions univari\u00e9es requiert une instrumentation statistique plus sophistiqu\u00e9e que les simples indicateurs de tendance centrale. C’est ici qu’intervient la proc\u00e9dure PROC UNIVARIATE, outil diagnostique supr\u00eame au sein de la gamme SAS pour l’examen des propri\u00e9t\u00e9s de forme d’une distribution. Pour sonder la normalit\u00e9 conditionnelle au sein de chaque bras exp\u00e9rimental, la proc\u00e9dure est ex\u00e9cut\u00e9e en association avec l’instruction CLASS, tandis que l’adjonction de l’option NORMAL au sein de l’instruction d’ouverture commande le calcul automatique d’une batterie compl\u00e8te d’\u00e9preuves de conformit\u00e9 gaussienne formelles.<\/p>\n Le syst\u00e8me SAS d\u00e9livre simultan\u00e9ment les r\u00e9sultats du test de Shapiro-Wilk<\/a> (statistique W), de Kolmogorov-Smirnov (avec correction d’asym\u00e9trie de Lilliefors), de Cram\u00e9r-von Mises et d’Anderson-Darling. Pour des tailles d’\u00e9chantillons courantes en sciences humaines (N < 2000), le test de Shapiro-Wilk demeure le standard absolu d’arbitrage en raison de sa puissance statistique sup\u00e9rieure face \u00e0 une vaste diversit\u00e9 de distorsions distributionnelles. Une p-valeur associ\u00e9e \u00e0 la statistique W sup\u00e9rieure au seuil usuel de 0,05 conduit \u00e0 maintenir l’hypoth\u00e8se nulle de distribution normale des observations au sein de la modalit\u00e9 investigu\u00e9e, corroborant la lic\u00e9it\u00e9 de l’ANOVA.<\/p>\n N\u00e9anmoins, les \u00e9preuves de signification formelles souffrant d’une sensibilit\u00e9 exacerb\u00e9e face aux grands effectifs (o\u00f9 des \u00e9carts minimes et sans cons\u00e9quence r\u00e9elle sur le test F deviennent significatifs) et d’un d\u00e9ficit d’efficacit\u00e9 criant au sein des micro-cohortes, il est indispensable de corroborer ces sorties avec des indicateurs graphiques et num\u00e9riques structurels. L’instruction PROBPLOT compl\u00e9t\u00e9e de l’option \/ NORMAL(MU=EST SIGMA=EST) g\u00e9n\u00e8re des graphiques quantile-quantile (Q-Q plots) d’une pr\u00e9cision exemplaire. L’observation d’un alignement harmonieux des points empiriques le long de la bissectrice th\u00e9orique confirme l’ad\u00e9quation gaussienne. De surcro\u00eet, les coefficients d’asym\u00e9trie (skewness) et d’aplatissement (kurtosis) \u00e9dit\u00e9s dans la sortie doivent id\u00e9alement \u00eatre circonscrits dans la fen\u00eatre num\u00e9rique de -1,0 \u00e0 +1,0 pour garantir une neutralit\u00e9 inf\u00e9rentielle totale.<\/p>\n Bien que l’examen comparatif des \u00e9carts-types issus de la proc\u00e9dure MEANS fournisse un \u00e9clairage pr\u00e9liminaire, la validation m\u00e9thodologique formelle du postulat d’\u00e9galit\u00e9 des variances r\u00e9clame l’ex\u00e9cution de tests d’hypoth\u00e8ses d\u00e9di\u00e9s. L’architecture SAS n’oblige pas \u00e0 recourir \u00e0 des calculs matriciels externes pour cette t\u00e2che : les proc\u00e9dures ANOVA et GLM int\u00e8grent des fonctionnalit\u00e9s natives capables de sonder l’homog\u00e9n\u00e9it\u00e9 des variances au moyen de l’option HOVTEST (Homogeneity of Variance Test) adoss\u00e9e \u00e0 l’instruction MEANS.<\/p>\n Par d\u00e9faut, l’instruction syntaxique HOVTEST sans argument compl\u00e9mentaire ordonne l’ex\u00e9cution du test classique de Levene. Cette proc\u00e9dure repose conceptuellement sur la r\u00e9alisation d’une analyse de variance appliqu\u00e9e non pas directement aux scores bruts, mais aux valeurs absolues des \u00e9carts s\u00e9parant chaque observation individuelle de la moyenne empirique de son groupe respectif. Si l’\u00e9cart moyen \u00e0 la moyenne varie d’un groupe \u00e0 l’autre, cela d\u00e9montre que la dispersion sous-jacente est asym\u00e9trique. Une p-valeur du test de Levene inf\u00e9rieure \u00e0 0,05 force le rejet de l’hypoth\u00e8se nulle d’homog\u00e9n\u00e9it\u00e9 des variances, signalant que le postulat d’homosc\u00e9dasticit\u00e9 est viol\u00e9.<\/p>\n Le test de Levene standard bas\u00e9 sur la moyenne math\u00e9matique pr\u00e9sente toutefois le d\u00e9faut notoire d’\u00eatre lui-m\u00eame vuln\u00e9rable \u00e0 l’absence de normalit\u00e9 des scores, risquant de rejeter faussement l’homosc\u00e9dasticit\u00e9 uniquement parce que la distribution est \u00e9tir\u00e9e. Pour surmonter cet \u00e9cueil, SAS propose la variante particuli\u00e8rement puissante et robuste de Brown-Forsythe, accessible via la directive syntaxique HOVTEST=BF. Cette alternative ing\u00e9nieuse remplace la moyenne empirique par la m\u00e9diane conditionnelle lors du calcul des d\u00e9viations absolues individuelles. D\u00e8s lors que l’analyste anticipe des asym\u00e9tries mod\u00e9r\u00e9es dans ses donn\u00e9es, le recours au test de Brown-Forsythe s’impose comme la solution privil\u00e9gi\u00e9e pour attester de la viabilit\u00e9 des variances sans interf\u00e9rence avec les anomalies de forme de distribution.<\/p>\n La proc\u00e9dure PROC ANOVA constitue historiquement le premier module programm\u00e9 au sein du noyau SAS pour accomplir l’analyse de variance des mod\u00e8les \u00e9quilibr\u00e9s. Sa syntaxe repose sur une \u00e9conomie de moyens et une clart\u00e9 d\u00e9clarative remarquables. L’instruction liminaire PROC ANOVA DATA=nom_de_table instancie l’environnement de calcul en ciblant le fichier d’int\u00e9r\u00eat archiv\u00e9 dans les biblioth\u00e8ques du syst\u00e8me. Imm\u00e9diatement sous l’amorce de la proc\u00e9dure, deux instructions structurelles s’av\u00e8rent imp\u00e9ratives pour configurer l’espace vectoriel : l’instruction CLASS et l’instruction MODEL.<\/p>\n L’instruction CLASS joue un r\u00f4le primordial dans la grammaire computationnelle de SAS. Elle d\u00e9signe express\u00e9ment au compilateur quelles sont les variables ind\u00e9pendantes qui doivent \u00eatre trait\u00e9es comme des facteurs de classification discrets qualitatifs, ind\u00e9pendamment de leur codage alphanum\u00e9rique ou num\u00e9rique en m\u00e9moire. L’omission de cette commande capitale emp\u00eacherait le syst\u00e8me d’instancier la matrice d’indicatrices (dummy coding) n\u00e9cessaire \u00e0 la partition factorielle, conduisant \u00e0 une interruption de la compilation avec \u00e9mission d’un code d’erreur bloquant dans le journal (SAS Log).<\/p>\n Faisant suite \u00e0 la d\u00e9claration des facteurs, l’instruction MODEL formalise la relation fonctionnelle univari\u00e9e sous la syntaxe math\u00e9matique universelle de type variable_d\u00e9pendante = variable_ind\u00e9pendante (par exemple Score = Methode). Cette \u00e9criture stipule sans ambigu\u00eft\u00e9 que la variabilit\u00e9 de la variable m\u00e9trique situ\u00e9e \u00e0 gauche du signe \u00e9gal doit \u00eatre d\u00e9compos\u00e9e et expliqu\u00e9e par les modalit\u00e9s discr\u00e8tes du facteur positionn\u00e9 \u00e0 droite. L’ensemble de la s\u00e9quence est scell\u00e9 par l’instruction RUN, laquelle d\u00e9clenche l’ex\u00e9cution des algorithmes de factorisation et g\u00e9n\u00e8re le tableau matriciel officiel de l’ANOVA dans la fen\u00eatre de sortie ODS.<\/p>\n Il est imp\u00e9rieux de souligner avec la plus grande fermet\u00e9 scientifique la fronti\u00e8re d’applicabilit\u00e9 de la proc\u00e9dure PROC ANOVA. Ce module computationnel a \u00e9t\u00e9 exclusivement con\u00e7u, optimis\u00e9 et conserv\u00e9 pour le traitement des plans dits \u00e9quilibr\u00e9s (balanced designs), c’est-\u00e0-dire les protocoles exp\u00e9rimentaux o\u00f9 le nombre de sujets assign\u00e9s \u00e0 chaque modalit\u00e9 factorielle est rigoureusement identique (n(1) = n(2) = … = n(k)). Dans cette configuration d’orthogonalit\u00e9 math\u00e9matique parfaite, les estimateurs des sommes de carr\u00e9s ne pr\u00e9sentent aucun chevauchement structurel, ce qui autorise des calculs directs bas\u00e9s sur les totaux de bordures sans recourir \u00e0 des inversions de matrices g\u00e9n\u00e9ralis\u00e9es complexes.<\/p>\n Lorsque le plan exp\u00e9rimental devient d\u00e9s\u00e9quilibr\u00e9 — ce qui survient quasi syst\u00e9matiquement en recherche de terrain par suite d’abandons de participants, de donn\u00e9es corrompues ou de contraintes d’\u00e9chantillonnage inh\u00e9rentes aux cohortes cliniques —, la propri\u00e9t\u00e9 d’orthogonalit\u00e9 s’effondre. Dans ce contexte, l’application de la proc\u00e9dure PROC ANOVA devient m\u00e9thodologiquement invalide. Si un utilisateur tente d’ex\u00e9cuter PROC ANOVA sur des donn\u00e9es d\u00e9s\u00e9quilibr\u00e9es, SAS proc\u00e8de certes aux calculs, mais ins\u00e8re un avertissement formel dans le journal d’ex\u00e9cution stipulant express\u00e9ment que la table est asym\u00e9trique et que les sommes de carr\u00e9s calcul\u00e9es peuvent s’av\u00e9rer erron\u00e9es ou hautement trompeuses.<\/p>\n Les sommes de carr\u00e9s g\u00e9n\u00e9r\u00e9es par la proc\u00e9dure ANOVA dans un plan d\u00e9s\u00e9quilibr\u00e9 ne correspondent pas aux sommes des carr\u00e9s partielles rigoureusement ajust\u00e9es pour les autres composantes. Il en r\u00e9sulte un risque majeur de sous-estimation ou de surestimation de la statistique F, alt\u00e9rant irr\u00e9m\u00e9diablement le processus d\u00e9cisionnel inf\u00e9rentiel. Par cons\u00e9quent, l’usage moderne de PROC ANOVA doit \u00eatre restreint aux protocoles de laboratoire strictement \u00e9quilibr\u00e9s ou aux fins d’enseignement introductif, la mod\u00e9lisation g\u00e9n\u00e9rale d’\u00e9tudes r\u00e9elles devant imp\u00e9rativement \u00eatre confi\u00e9e \u00e0 la proc\u00e9dure PROC GLM.<\/p>\n L’exploitation contemporaine de SAS d\u00e9passe la simple restitution de listings chiffr\u00e9s arides gr\u00e2ce \u00e0 la puissance du syst\u00e8me ODS (Output Delivery System) Graphics. Cette infrastructure graphique int\u00e9gr\u00e9e modernise l’interpr\u00e9tation des r\u00e9sultats statistiques en produisant de mani\u00e8re synchronis\u00e9e des figures d’une r\u00e9solution vectorielle irr\u00e9prochable, directement exploitables pour la diss\u00e9mination et la publication dans des revues acad\u00e9miques internationales.<\/p>\n Pour activer l’ensemble du pipeline visuel automatis\u00e9, le chercheur doit obligatoirement \u00e9mettre l’instruction globale ODS GRAPHICS ON avant d’ex\u00e9cuter la proc\u00e9dure analytique. D\u00e8s cet instant, la proc\u00e9dure PROC ANOVA ne se borne plus \u00e0 produire des tableaux matriciels de variance : elle orchestre la confection automatique d’un ensemble de figures diagnostiques hautement informatives. Parmi celles-ci figure en premier lieu le diagramme en bo\u00eetes \u00e0 moustaches conditionnel (Box Plot), qui repr\u00e9sente la m\u00e9diane, l’\u00e9cart interquartile, les valeurs adjacentes et la moyenne arithm\u00e9tique (symbolis\u00e9e par un losange ou un marqueur distinctif) pour chaque condition exp\u00e9rimentale \u00e9tudi\u00e9e.<\/p>\n Parall\u00e8lement, le moteur ODS g\u00e9n\u00e8re des panneaux d’analyse de r\u00e9sidus (Residual Plots) illustrant les \u00e9carts standardis\u00e9s en fonction des valeurs pr\u00e9dites, ainsi que des graphiques de r\u00e9partition quantile-quantile des r\u00e9sidus du mod\u00e8le lin\u00e9aire. Pour les chercheurs pr\u00e9parant des manuscrits scientifiques, ces repr\u00e9sentations peuvent \u00eatre export\u00e9es sous des formats vectoriels haute fid\u00e9lit\u00e9 (tels que PDF, SVG ou TIFF \u00e0 300 DPI) au moyen de l’instruction ODS LISTING GPATH=’chemin_d_acc\u00e8s’ combin\u00e9e \u00e0 des options de style formel telles que STYLE=JOURNAL, garantissant un rendu graphique \u00e9pur\u00e9 en noir et blanc conforme aux standards \u00e9ditoriaux de l’APA.<\/p>\n La sortie standard \u00e9dit\u00e9e par SAS lors de l’ex\u00e9cution d’une analyse de variance s’articule autour d’une matrice structur\u00e9e universellement appel\u00e9e ANOVA Table. La premi\u00e8re section synth\u00e9tise la performance du mod\u00e8le global en confrontant la variabilit\u00e9 expliqu\u00e9e par le mod\u00e8le complet \u00e0 l’erreur al\u00e9atoire r\u00e9siduelle. La colonne Degree of Freedom (DF) r\u00e9pertorie les degr\u00e9s de libert\u00e9 attach\u00e9s \u00e0 chaque source d’instabilit\u00e9 : pour le mod\u00e8le, cette quantit\u00e9 est immuablement \u00e9gale au nombre de groupes factoriels moins un (DF = k – 1), tandis que pour l’erreur r\u00e9siduelle, elle correspond au nombre total d’observations moins le nombre de groupes (DF = N – k). La somme de ces deux valeurs reconstitue le degr\u00e9 de libert\u00e9 total de l’exp\u00e9rience (DF = N – 1).<\/p>\n La colonne Sum of Squares (sommes des carr\u00e9s) expose la d\u00e9composition num\u00e9rique de l’\u00e9nergie de variance. On y retrouve la somme des carr\u00e9s du mod\u00e8le (SSB), caract\u00e9risant la variabilit\u00e9 expliqu\u00e9e par l’assignation exp\u00e9rimentale, et la somme des carr\u00e9s de l’erreur (SSW), chiffrant le bruit r\u00e9siduel intra-groupe non mod\u00e9lis\u00e9. La colonne cons\u00e9cutive, intitul\u00e9e Mean Square (carr\u00e9s moyens), transcrit le calcul fondamental consistant \u00e0 diviser chaque somme de carr\u00e9s par son degr\u00e9 de libert\u00e9 respectif. Le carr\u00e9 moyen du mod\u00e8le (MSB = SSB \/ (k – 1)) quantifie l’intensit\u00e9 moyenne du signal d’effet par dimension factorielle, tandis que le carr\u00e9 moyen de l’erreur (MSW = SSW \/ (N – k)) quantifie la variance r\u00e9siduelle de r\u00e9f\u00e9rence du syst\u00e8me d’\u00e9chantillonnage.<\/p>\n L’aboutissement ultime de ce tableau se mat\u00e9rialise dans les deux derni\u00e8res colonnes : la valeur de F (F Value) et la probabilit\u00e9 critique associ\u00e9e (Pr > F). La statistique F est calcul\u00e9e par la division directe MSB \/ MSW. La p-valeur indique la probabilit\u00e9 asymptotique d’observer un ratio F empirique au moins aussi extr\u00eame que celui mesur\u00e9 dans l’\u00e9chantillon, sous la postulation stricte que l’hypoth\u00e8se nulle d’\u00e9galit\u00e9 absolue des moyennes de population soit vraie. Si cette valeur de probabilit\u00e9 passe sous la barre conventionnelle de l’alpha \u00e0 0,05 (ou plus rigoureusement < 0,001 selon les cas), le chercheur rejette avec confiance l’\u00e9galit\u00e9 universelle des moyennes conditionnelles.<\/p>\n Imm\u00e9diatement sous le tableau fondamental de d\u00e9composition de variance, SAS \u00e9dite une s\u00e9rie d’indices de qualit\u00e9 d’ajustement globaux indispensables pour \u00e9tayer l’\u00e9valuation clinique du mod\u00e8le. Le premier de ces m\u00e9triques est le coefficient de d\u00e9termination usuel, libell\u00e9 R-Square (R^2). Cet indice sans unit\u00e9, rigoureusement contraint entre z\u00e9ro et un, traduit la proportion exacte de variance totale du score d\u00e9pendant qui se trouve math\u00e9matiquement expliqu\u00e9e ou captur\u00e9e par le facteur cat\u00e9goriel. Un R-carr\u00e9 de 0,342 stipule, par exemple, que 34,2 % de la variabilit\u00e9 observ\u00e9e dans les performances des sujets est strictement attribuable \u00e0 la m\u00e9thode p\u00e9dagogique administr\u00e9e, les 65,8 % r\u00e9siduels relevant de variations individuelles non contr\u00f4l\u00e9es.<\/p>\n Le deuxi\u00e8me indice d\u00e9livr\u00e9 est l’\u00e9cart-type r\u00e9siduel de l’erreur, identifi\u00e9 sous la formule Root MSE (Root Mean Square Error). Il correspond alg\u00e9briquement \u00e0 la racine carr\u00e9e arithm\u00e9tique de la variance d’erreur r\u00e9siduelle (racine carr\u00e9e de MSW). Ce param\u00e8tre fondamental quantifie la d\u00e9viation type r\u00e9siduelle moyenne des scores individuels par rapport au barycentre de leur propre groupe d’appartenance, exprim\u00e9e dans l’unit\u00e9 de mesure directe de la variable d\u00e9pendante d’origine. C’est un indicateur pragmatique absolu de la fid\u00e9lit\u00e9 de pr\u00e9diction du mod\u00e8le lin\u00e9aire.<\/p>\n Enfin, SAS calcule l’indice Coeff Var (Coefficient de Variation), obtenu en divisant Root MSE par la moyenne g\u00e9n\u00e9rale absolue de l’ensemble de l’\u00e9chantillon, le tout multipli\u00e9 par cent. Cet indice de dispersion relative permet d’appr\u00e9cier la pr\u00e9cision interne des mesures ind\u00e9pendamment de leur \u00e9chelle m\u00e9trique brute. En sciences comportementales, un coefficient de variation contenu en de\u00e7\u00e0 de 10 \u00e0 15 % signale une m\u00e9trologie particuli\u00e8rement constante et stable, tandis qu’une valeur exc\u00e9dant 30 ou 40 % d\u00e9note une dispersion r\u00e9siduelle substantielle relative \u00e0 l’intensit\u00e9 moyenne du ph\u00e9nom\u00e8ne examin\u00e9.<\/p>\n L’arbitrage formel conclu \u00e0 la lecture de la sortie SAS est tributaire de la confrontation des hypoth\u00e8ses statistiques formelles pr\u00e9alablement pos\u00e9es. L’hypoth\u00e8se nulle op\u00e9rationnelle, canoniquement not\u00e9e H0, postule qu’il n’existe aucune divergence entre les moyennes des k populations sous revue, soit formellement : mu(1) = mu(2) = … = mu(k). L’hypoth\u00e8se alternative g\u00e9n\u00e9rale, not\u00e9e H1, stipule l’existence d’au moins une paire de moyennes diff\u00e9rant de fa\u00e7on statistiquement d\u00e9celable, ce qui s’\u00e9nonce math\u00e9matiquement par l’existence d’au moins un couple d’indices (i, j) tel que mu(i) n’est pas \u00e9gal \u00e0 mu(j).<\/p>\n Si la mention Pr > F d\u00e9livr\u00e9e par la proc\u00e9dure s’\u00e9tablit \u00e0 un niveau inf\u00e9rieur ou \u00e9gal \u00e0 l’alpha nominal (classiquement alpha = 0,05), la sentence inf\u00e9rentielle est sans appel : l’hypoth\u00e8se nulle H0 est rejet\u00e9e au profit de l’hypoth\u00e8se alternative H1. Le chercheur conclut alors avec un niveau de confiance fix\u00e9 \u00e0 95 % que la modalit\u00e9 exp\u00e9rimentale exerce un effet macroscopique syst\u00e9matique sur la variable m\u00e9trique \u00e9tudi\u00e9e. Inversement, si la probabilit\u00e9 exc\u00e8de le seuil de 0,05, l’investigateur \u00e9choue \u00e0 rejeter H0 et doit conclure que les variations observ\u00e9es entre les moyennes d’\u00e9chantillons rel\u00e8vent plausiblement des seules fluctuations de l’\u00e9chantillonnage al\u00e9atoire.<\/p>\n Il est imp\u00e9rieux de garder \u00e0 l’esprit la limite gnos\u00e9ologique inh\u00e9rente au test F global de Fisher. En tant qu’\u00e9preuve purement omnibus, un rejet hautement significatif de l’hypoth\u00e8se nulle n’offre absolument aucun \u00e9clairage sur la localisation interne ou la directionalit\u00e9 des \u00e9carts. Ce r\u00e9sultat atteste seulement que la constellation des k moyennes ne forme pas un bloc homog\u00e8ne. L’analyste se trouve incapable, \u00e0 ce stade du d\u00e9codage, de certifier si chaque groupe surpasse individuellement tous les autres, ou si un seul traitement d\u00e9viant et atypique a suffi \u00e0 propulser le ratio F hors de sa zone de conformit\u00e9 stochastique, n\u00e9cessitant imp\u00e9rieusement le basculement vers des investigations post-hoc.<\/p>\n D\u00e8s lors que le filtre omnibus de l’analyse de variance a confirm\u00e9 le rejet de l’hypoth\u00e8se nulle d’\u00e9galit\u00e9 globale des moyennes, la communaut\u00e9 m\u00e9thodologique autorise le d\u00e9ploiement des tests de comparaisons par paires non planifi\u00e9es, universellement appel\u00e9s tests post-hoc. Parmi la panoplie des techniques d’ajustement, le test Honestly Significant Difference (HSD) d\u00e9velopp\u00e9 par John Tukey fait figure de r\u00e9f\u00e9rence de choix lors de l’\u00e9valuation de toutes les paires possibles de moyennes. Dans la programmation SAS, l’activation de cette proc\u00e9dure s’effectue avec \u00e9l\u00e9gance au moyen de l’adjonction de l’option \/ TUKEY au sein de l’instruction MEANS de la proc\u00e9dure ANOVA ou GLM.<\/p>\n Pour enrichir substantiellement l’interpr\u00e9tation des contrastes, il est recommand\u00e9 de juxtaposer l’option CLDIFF (Confidence Limits for Differences). Cette instruction commande \u00e0 SAS de calculer et d’\u00e9diter les intervalles de confiance simultan\u00e9s \u00e0 95 % pour l’int\u00e9gralit\u00e9 des diff\u00e9rences moyennes possibles entre groupes. Le principe math\u00e9matique fondamental de la m\u00e9thode HSD repose sur l’utilisation de la distribution de l’amplitude studentis\u00e9e (Studentized Range Distribution, q) plut\u00f4t que sur la classique loi de Student univari\u00e9e. Ce recours compense math\u00e9matiquement l’inflation combinatoire du taux d’erreur, maintenant le risque familial global strictement au seuil nominal alpha fix\u00e9 \u00e0 0,05 sur toute la matrice des contrastes.<\/p>\n Dans la sortie SAS g\u00e9n\u00e9r\u00e9e par l’instruction MEANS variable \/ TUKEY CLDIFF, l’analyste scrute les lignes de comparaison binaires. Pour chaque dyade (par exemple M\u00e9thode A versus M\u00e9thode B), SAS fournit la diff\u00e9rence brute observ\u00e9e entre les moyennes empiriques (Mean Difference), ainsi que la borne inf\u00e9rieure et la borne sup\u00e9rieure de l’intervalle de confiance simultan\u00e9 ajust\u00e9. Si cet intervalle de confiance n’englobe pas la valeur z\u00e9ro (les deux bornes \u00e9tant de m\u00eame signe, soit strictement positives, soit strictement n\u00e9gatives), le contraste est d\u00e9clar\u00e9 statistiquement significatif au niveau d’erreur globale s\u00e9lectionn\u00e9. Cette pr\u00e9sentation par intervalles fournit une estimation inestimable de la pr\u00e9cision des \u00e9carts moyens r\u00e9els dans la population.<\/p>\n Bien que le test de Tukey constitue la proc\u00e9dure polyvalente d’\u00e9lection pour explorer l’ensemble des paires de modalit\u00e9s, d’autres strat\u00e9gies d’ajustement post-hoc s’av\u00e8rent pr\u00e9f\u00e9rables selon l’architecture \u00e9pist\u00e9mologique du protocole. SAS offre la possibilit\u00e9 de mobiliser ces alternatives en ins\u00e9rant simplement les options correspondantes au sein de l’instruction MEANS : \/ BONFERRONI, \/ SCHEFFE ou \/ DUNNETT.<\/p>\n L’ajustement de Bonferroni repose sur le principe de l’in\u00e9galit\u00e9 de Boole, divisant arbitrairement le seuil nominal alpha par le nombre k de comparaisons effectivement programm\u00e9es (alpha_ajust\u00e9 = alpha \/ m). Cette approche est particuli\u00e8rement puissante et recommand\u00e9e d\u00e8s lors que l’exp\u00e9rimentateur ne s’int\u00e9resse qu’\u00e0 un sous-ensemble restreint et a priori de comparaisons cibl\u00e9es (contrastes planifi\u00e9s). En revanche, appliqu\u00e9e sans discernement \u00e0 l’exhaustivit\u00e9 des combinaisons possibles d’un grand nombre de groupes, la m\u00e9thode de Bonferroni devient excessivement conservative, r\u00e9primant ind\u00fbment la puissance statistique et risquant d’induire de multiples erreurs de deuxi\u00e8me esp\u00e8ce (non-d\u00e9tection d’effets pourtant tangibles).<\/p>\n Le test de Scheff\u00e9, invoqu\u00e9 via l’option SCHEFFE, repr\u00e9sente la proc\u00e9dure de protection la plus rigoureuse et conservative existant en analyse de variance. Sa flexibilit\u00e9 math\u00e9matique permet de tester non seulement des contrastes dyadiques simples (moyenne contre moyenne), mais \u00e9galement n’importe quel contraste complexe multidimensionnel (par exemple la moyenne combin\u00e9e de deux approches innovantes face \u00e0 un groupe t\u00e9moin) tout en maintenant le taux d’erreur de premi\u00e8re esp\u00e8ce global en de\u00e7\u00e0 de 0,05. Enfin, la m\u00e9thode de Dunnett (option DUNNETT(‘Contr\u00f4le’)) est express\u00e9ment optimis\u00e9e pour les protocoles cliniques ou industriels o\u00f9 chaque traitement actif doit \u00eatre compar\u00e9 exclusivement \u00e0 un groupe de r\u00e9f\u00e9rence contr\u00f4le unique, sans que les traitements actifs ne soient compar\u00e9s entre eux, ce qui maximise substantiellement la puissance statistique relative par rapport au test omnibus de Tukey.<\/p>\n La lecture efficace des sorties post-hoc de SAS requiert une familiarisation avec les deux formats d’affichage matriciel que le progiciel g\u00e9n\u00e8re selon les options d\u00e9clar\u00e9es : la matrice de marquage par ast\u00e9risques et le tableau d’identification des sous-ensembles homog\u00e8nes (Homogeneous Subsets ou Tukey Grouping).<\/p>\n Lorsque l’option CLDIFF est invoqu\u00e9e, SAS affiche pour chaque contraste dyadique une rang\u00e9e d’indicateurs o\u00f9 figure une colonne sp\u00e9cifique signal\u00e9e par trois ast\u00e9risques (***). Cette signal\u00e9tique typographique saillante attire instantan\u00e9ment le regard du chercheur sur les paires de moyennes dont l’intervalle de confiance simultan\u00e9 exclut z\u00e9ro, indiquant une divergence probante au seuil alpha s\u00e9lectionn\u00e9. L’analyste peut ainsi dresser rapidement l’inventaire des contrastes qui ont contribu\u00e9 au rejet du mod\u00e8le omnibus global de variance.<\/p>\n Le second mode de restitution, produit par d\u00e9faut par l’option TUKEY (sans CLDIFF) ou enrichi par l’option LINES, structure les conclusions d’une mani\u00e8re encore plus visuelle et didactique \u00e0 travers des colonnes de regroupement alphab\u00e9tiques \u00e9tiquet\u00e9es A, B, C. Deux ou trois conditions exp\u00e9rimentales partageant une m\u00eame lettre d’assignation cat\u00e9gorielle (par exemple M\u00e9thode A et M\u00e9thode B appartenant toutes deux au groupe A) forment un sous-ensemble homog\u00e8ne dont les moyennes ne pr\u00e9sentent aucune divergence statistiquement significative entre elles. Si une condition arbore exclusivement la lettre de classification B tandis que ses comparses arborent la lettre A, cela atteste d’un d\u00e9crochage univoque et substantiel de ce groupe vis-\u00e0-vis des autres. Cette classification limpide permet de hi\u00e9rarchiser imm\u00e9diatement l’efficacit\u00e9 des protocoles au sein du rapport de recherche.<\/p>\n Lorsque le plan exp\u00e9rimental d\u00e9roge au postulat d’orthogonalit\u00e9 stricte en raison d’effectifs in\u00e9gaux par modalit\u00e9 (n(i) distinct de n(j)), la transition m\u00e9thodologique de la proc\u00e9dure PROC ANOVA vers la proc\u00e9dure PROC GLM (General Linear Model) s’impose comme un imp\u00e9ratif technique absolu. PROC GLM a \u00e9t\u00e9 express\u00e9ment con\u00e7ue d\u00e8s les versions fondatrices de SAS pour r\u00e9soudre le mod\u00e8le lin\u00e9aire g\u00e9n\u00e9ral par inversion de matrices de projections des moindres carr\u00e9s (g\u00e9n\u00e9ralisation de Moore-Penrose), traitant avec une rigueur math\u00e9matique \u00e9gale les plans \u00e9quilibr\u00e9s, les plans asym\u00e9triques et les devis factoriels complexes combinant covariables continues et facteurs discrets.<\/p>\n Sur le plan computationnel, lorsque les effectifs d’\u00e9chantillonnage sont parfaitement \u00e9quilibr\u00e9s, les r\u00e9sultats math\u00e9matiques produits par PROC GLM sont rigoureusement identiques \u00e0 la d\u00e9cimale pr\u00e8s \u00e0 ceux g\u00e9n\u00e9r\u00e9s par PROC ANOVA. L’\u00e9quivalence th\u00e9orique est alors totale. Cependant, la sup\u00e9riorit\u00e9 algorithmique de GLM se manifeste pleinement d\u00e8s qu’un d\u00e9s\u00e9quilibre \u00e9merge. L\u00e0 o\u00f9 PROC ANOVA applique des d\u00e9compositions arithm\u00e9tiques na\u00efves bas\u00e9es sur les effectifs marginaux bruts qui faussent les calculs de variabilit\u00e9, PROC GLM mobilise l’alg\u00e8bre matricielle pour r\u00e9\u00e9valuer chaque effet apr\u00e8s ajustement mutuel des autres composantes du mod\u00e8le.<\/p>\n La syntaxe op\u00e9ratoire de PROC GLM conserve l’architecture famili\u00e8re et intuitive de la proc\u00e9dure ANOVA, requ\u00e9rant invariablement la d\u00e9claration DATA=, l’instruction CLASS pour indexer les variables cat\u00e9gorielles qualitatives et l’instruction MODEL pour formuler l’\u00e9quation r\u00e9gressive. L’avantage fondamental r\u00e9side dans la flexibilit\u00e9 incomparable de GLM pour int\u00e9grer des instructions sp\u00e9cialis\u00e9es telles que LSMEANS et pour partitionner ad\u00e9quatement les sommes de carr\u00e9s, \u00e9liminant ainsi les approximations m\u00e9thodologiques inh\u00e9rentes au module ANOVA historique.<\/p>\n L’une des singularit\u00e9s les plus fondamentales de la proc\u00e9dure PROC GLM r\u00e9side dans sa production syst\u00e9matique et disjointe de plusieurs cat\u00e9gories de sommes de carr\u00e9s, principalement d\u00e9sign\u00e9es sous les vocables de Sommes des Carr\u00e9s de Type I et de Sommes des Carr\u00e9s de Type III. La compr\u00e9hension des divergences math\u00e9matiques qui sous-tendent ces matrices est cruciale pour pr\u00e9venir toute d\u00e9rive analytique dans le d\u00e9pouillement des r\u00e9sultats.<\/p>\n Les sommes des carr\u00e9s de Type I (Type I Sum of Squares) sont rigoureusement s\u00e9quentielles ou hi\u00e9rarchiques. Dans cette d\u00e9composition, chaque terme introduit dans l’instruction MODEL se voit attribuer la part de variance qu’il est en mesure d’expliquer apr\u00e8s avoir contr\u00f4l\u00e9 uniquement les facteurs d\u00e9clar\u00e9s avant lui dans la cha\u00eene syntaxique du script SAS, sans tenir compte des pr\u00e9dicteurs sp\u00e9cifi\u00e9s ult\u00e9rieurement. Par cons\u00e9quent, la valeur de Type I SS d\u00e9pend intrins\u00e8quement de l’ordre d’\u00e9criture des termes dans le programme. Si cet agencement s\u00e9quentiel conserve une pertinence lors de l’ex\u00e9cution de r\u00e9gressions polynomiales hi\u00e9rarchiques ordonn\u00e9es par la th\u00e9orie, il s’av\u00e8re totalement inappropri\u00e9 et dangereux pour l’interpr\u00e9tation d’une ANOVA \u00e0 plusieurs facteurs ou de plans factoriels d\u00e9s\u00e9quilibr\u00e9s.<\/p>\n Les sommes des carr\u00e9s de Type III (Type III Sum of Squares), universellement d\u00e9sign\u00e9es comme sommes des carr\u00e9s partielles ou ajust\u00e9es, constituent le standard m\u00e9thodologique absolu exig\u00e9 par la communaut\u00e9 scientifique internationale en psychologie et en biostatistique. Dans cette formulation matricielle, chaque terme du mod\u00e8le est \u00e9valu\u00e9 en mesurant la variabilit\u00e9 propre qu’il explique au-del\u00e0 de l’ensemble de tous les autres effets inscrits dans le mod\u00e8le, comme s’il avait \u00e9t\u00e9 ins\u00e9r\u00e9 en toute derni\u00e8re position. Cette mod\u00e9lisation garantit une ind\u00e9pendance totale vis-\u00e0-vis de l’ordre d’\u00e9criture des variables dans le code. Les sommes des carr\u00e9s de Type III testent la signification de la variance unique marginale et compensent int\u00e9gralement la distorsion imputable aux effectifs in\u00e9gaux au sein des sous-groupes.<\/p>\n Dans un plan exp\u00e9rimental pr\u00e9sentant des effectifs asym\u00e9triques par modalit\u00e9, les moyennes arithm\u00e9tiques brutes des groupes ne refl\u00e8tent plus fid\u00e8lement l’effet th\u00e9orique net des traitements en raison du d\u00e9s\u00e9quilibre structurel de pond\u00e9ration des observations. Pour pallier cette anomalie num\u00e9rique, PROC GLM d\u00e9ploie une instruction capitale : la directive LSMEANS (Least-Squares Means), couramment appel\u00e9e moyennes des moindres carr\u00e9s ou moyennes marginales ajust\u00e9es.<\/p>\n Les moyennes marginales ajust\u00e9es calcul\u00e9es par l’instruction LSMEANS estiment les valeurs attendues des moyennes conditionnelles qui auraient \u00e9t\u00e9 observ\u00e9es si l’\u00e9chantillonnage avait \u00e9t\u00e9 parfaitement \u00e9quilibr\u00e9 \u00e0 travers toutes les cellules du plan factoriel. Alors que la simple commande MEANS calcule les moyennes empiriques arithm\u00e9tiques directes des sous-\u00e9chantillons — lesquelles s’av\u00e8rent potentiellement biais\u00e9es par la disparit\u00e9 des volumes de recueil —, l’instruction LSMEANS applique une estimation lin\u00e9aire non biais\u00e9e d\u00e9riv\u00e9e des param\u00e8tres r\u00e9gressifs du mod\u00e8le matriciel global.<\/p>\n De surcro\u00eet, l’instruction LSMEANS permet d’int\u00e9grer imm\u00e9diatement des proc\u00e9dures de correction pour comparaisons multiples adapt\u00e9es aux plans non orthogonaux au moyen de la clause syntaxique \/ ADJUST=TUKEY (ou ADJUST=BON). Pour \u00e9valuer sp\u00e9cifiquement des contrastes hypoth\u00e9tiques directionnels personnalis\u00e9s (par exemple tester si la moyenne combin\u00e9e de deux traitements actifs est strictement sup\u00e9rieure \u00e0 un groupe de contr\u00f4le), PROC GLM autorise l’usage des instructions CONTRAST et ESTIMATE. Ces commandes permettent au m\u00e9thodologiste de d\u00e9finir des vecteurs de coefficients lin\u00e9aires pond\u00e9r\u00e9s satisfaisant la contrainte que leur somme arithm\u00e9tique soit nulle, lui offrant un contr\u00f4le total sur l’\u00e9pist\u00e9mologie inf\u00e9rentielle de son exp\u00e9rimentation.<\/p>\n Dans la recherche contemporaine, la seule publication d’une statistique de test significative assortie d’une p-valeur infinit\u00e9simale (par exemple p < 0,001) est universellement jug\u00e9e insuffisante pour \u00e9tayer des conclusions scientifiques rigoureuses. La p-valeur renseignant exclusivement sur la plausibilit\u00e9 de l’hypoth\u00e8se nulle au regard de la taille d’\u00e9chantillon mobilis\u00e9e, elle ne fournit aucune indication sur l’ampleur pragmatique ou clinique du ph\u00e9nom\u00e8ne observ\u00e9. La mesure de la taille d’effet s’av\u00e8re donc imp\u00e9rative, l’indicateur le plus r\u00e9pandu au sein du mod\u00e8le univari\u00e9 \u00e9tant l’\u00c9ta-carr\u00e9 (not\u00e9 eta^2).<\/p>\n L’\u00c9ta-carr\u00e9 se d\u00e9finit conceptuellement comme le rapport direct entre la somme des carr\u00e9s associ\u00e9e au facteur exp\u00e9rimental (SSB) et la somme des carr\u00e9s totale (SST), formalis\u00e9 par la relation arithm\u00e9tique \u00e9l\u00e9mentaire : eta^2 = SSB \/ SST. Dans le cadre exclusif de l’ANOVA \u00e0 un facteur pour \u00e9chantillons ind\u00e9pendants, l’\u00c9ta-carr\u00e9 standard et l’\u00c9ta-carr\u00e9 partiel (partial eta-squared) sont rigoureusement \u00e9quivalents, le d\u00e9nominateur de variabilit\u00e9 n’\u00e9tant partitionn\u00e9 qu’entre un effet unique et l’erreur al\u00e9atoire. Cet indice quantifie le pourcentage pr\u00e9cis de la variance totale de la variable r\u00e9ponse qui est directement imputable au facteur exp\u00e9rimental.<\/p>\n Pour appr\u00e9cier l’envergure pratique des r\u00e9sultats document\u00e9s, la communaut\u00e9 acad\u00e9mique s’appuie commun\u00e9ment sur les seuils heuristiques formul\u00e9s par le statisticien Jacob Cohen dans ses travaux fondateurs :<\/p>\n Il convient n\u00e9anmoins de garder \u00e0 l’esprit que l’\u00c9ta-carr\u00e9 est un estimateur descriptif bas\u00e9 sur les donn\u00e9es d’\u00e9chantillon qui a tendance \u00e0 surestimer syst\u00e9matiquement la proportion r\u00e9elle de variance expliqu\u00e9e au niveau de la population parente, en particulier au sein de dispositifs m\u00e9thodologiques n’engageant que de faibles effectifs d’observation.<\/p>\n Face \u00e0 la surestimation structurelle inh\u00e9rente \u00e0 l’\u00c9ta-carr\u00e9, les biostatisticiens et psychom\u00e8tres rigoureux privil\u00e9gient l’usage de l’Om\u00e9ga-carr\u00e9 (not\u00e9 omega^2) pour chiffrer la taille d’effet globale. L’Om\u00e9ga-carr\u00e9 a \u00e9t\u00e9 sp\u00e9cifiquement d\u00e9velopp\u00e9 pour corriger le biais optimiste de l’\u00e9chantillonnage en d\u00e9duisant de la somme des carr\u00e9s de l’effet la part de variance qu’il est pr\u00e9visible d’obtenir par simple fluctuation al\u00e9atoire stochastique, calibr\u00e9e sur le carr\u00e9 moyen de l’erreur r\u00e9siduelle.<\/p>\n La formulation alg\u00e9brique canonique de l’Om\u00e9ga-carr\u00e9 dans le mod\u00e8le \u00e0 un facteur s’\u00e9nonce selon le ratio suivant : omega^2 = (SSB – (k – 1) * MSW) \/ (SST + MSW). En soustrayant le produit des degr\u00e9s de libert\u00e9 du facteur par le carr\u00e9 moyen de l’erreur au num\u00e9rateur, et en incr\u00e9mentant le d\u00e9nominateur total de cette m\u00eame variance r\u00e9siduelle de r\u00e9f\u00e9rence, l’Om\u00e9ga-carr\u00e9 procure un estimateur asymptotiquement non biais\u00e9 de la part de variance v\u00e9ritablement gouvern\u00e9e par le facteur au sein de la population cible. Les valeurs de l’Om\u00e9ga-carr\u00e9 sont in\u00e9vitablement inf\u00e9rieures \u00e0 celles de l’\u00c9ta-carr\u00e9 calcul\u00e9 sur le m\u00eame jeu de donn\u00e9es, ce diff\u00e9rentiel \u00e9tant d’autant plus substantiel que l’effectif total N est r\u00e9duit.<\/p>\n Bien que SAS n’\u00e9dite pas syst\u00e9matiquement l’Om\u00e9ga-carr\u00e9 dans son affichage standard de base, son extraction s’automatise de fa\u00e7on \u00e9l\u00e9gante gr\u00e2ce au syst\u00e8me ODS OUTPUT. L’analyste exporte le tableau matriciel de d\u00e9composition de variance de PROC GLM vers une table de travail temporaire au moyen de la clause ODS OUTPUT ModelANOVA=nom_de_table, puis ex\u00e9cute une br\u00e8ve \u00e9tape DATA pour appliquer la formule alg\u00e9brique ci-dessus aux scalaires SSB, SST, MSW et degr\u00e9s de libert\u00e9 archiv\u00e9s. L’int\u00e9gration de cette valeur sans biais dans les publications conf\u00e8re une int\u00e9grit\u00e9 m\u00e9thodologique incontestable aux conclusions expos\u00e9es.<\/p>\n La puissance statistique, d\u00e9sign\u00e9e math\u00e9matiquement par la quantit\u00e9 1 – b\u00eata, repr\u00e9sente la probabilit\u00e9 qu’un protocole exp\u00e9rimental donn\u00e9 parvienne \u00e0 rejeter formellement l’hypoth\u00e8se nulle lorsque celle-ci est effectivement fausse dans la population parente. L’\u00e9valuation de cette propri\u00e9t\u00e9 est essentielle pour juger de la sensibilit\u00e9 d’une \u00e9tude : un protocole sous-puissant risque d’\u00e9chouer \u00e0 mettre en \u00e9vidence des diff\u00e9rences substantielles bien r\u00e9elles, conduisant \u00e0 des erreurs de deuxi\u00e8me esp\u00e8ce (b\u00eata) pr\u00e9judiciables \u00e0 l’avancement th\u00e9orique.<\/p>\n Le module PROC POWER de SAS constitue l’environnement analytique le plus perfectionn\u00e9 pour mod\u00e9liser la puissance prospective ou r\u00e9trospective d’un dispositif. Pour auditer une analyse de variance univari\u00e9e \u00e0 un facteur, la syntaxe sollicite la sous-proc\u00e9dure ONESUFACH (One-Way ANOVA). L’utilisateur param\u00e8tre le profil d’\u00e9valuation en formulant l’instruction GROUPMEANS, o\u00f9 sont inscrites les k moyennes empiriques observ\u00e9es ou postul\u00e9es, compl\u00e9t\u00e9e par l’instruction STDDEV renseignant l’\u00e9cart-type r\u00e9siduel commun estim\u00e9 (Root MSE), et par l’instruction NTOTAL (ou GROUPNS pour sp\u00e9cifier les effectifs individuels de chaque groupe).<\/p>\n L’ex\u00e9cution de PROC POWER avec la directive POWER=. ordonne \u00e0 SAS de calculer instantan\u00e9ment la puissance statistique effective du protocole empirique d\u00e9ploy\u00e9. L’obtention d’une puissance atteignant ou d\u00e9passant le standard acad\u00e9mique conventionnel de 0,80 atteste que le dispositif m\u00e9thodologique b\u00e9n\u00e9ficiait de plus de 80 % de chances d’identifier un effet d’une telle amplitude au seuil d’erreur alpha de 0,05. Si la puissance mesur\u00e9e plafonne \u00e0 un niveau insatisfaisant (par exemple 0,45), cette m\u00e9trique commande au chercheur d’observer une r\u00e9serve prudente dans ses conclusions quant aux effets non significatifs et lui permet de calibrer les effectifs d’\u00e9chantillonnage requis pour de futures r\u00e9plications exp\u00e9rimentales.<\/p>\n La communication scientifique moderne exige une restitution visuelle claire de l’architecture des distributions. Au sein du syst\u00e8me SAS, la proc\u00e9dure PROC SGPLOT s’impose comme l’outil d’ing\u00e9nierie graphique de r\u00e9f\u00e9rence pour concevoir des visualisations personnalis\u00e9es hautement informatives. Pour traduire la dispersion conditionnelle des scores au fil des modalit\u00e9s d’une ANOVA, la commande ma\u00eetresse est l’instruction VBOX (Vertical Boxplot).<\/p>\n L’instruction VBOX requiert au minimum la sp\u00e9cification de la variable d\u00e9pendante continue sur l’axe des ordonn\u00e9es (argument de variable principal) et de la variable ind\u00e9pendante cat\u00e9gorielle sur l’axe des abscisses au moyen de l’option CATEGORY=. PROC SGPLOT g\u00e9n\u00e8re alors une bo\u00eete englobant l’intervalle interquartile compris entre le premier quartile (Q1, vingt-cinqui\u00e8me centile) et le troisi\u00e8me quartile (Q3, soixante-quinzi\u00e8me centile). La barre horizontale continue sectionnant l’int\u00e9rieur de la bo\u00eete signale l’emplacement rigoureux de la m\u00e9diane empirique du sous-groupe, tandis que les moustaches verticales s’\u00e9tirent pour mat\u00e9rialiser les valeurs extr\u00eames non aberrantes selon la m\u00e9trique standard de 1,5 fois l’espace interquartile au-del\u00e0 des charni\u00e8res.<\/p>\n L’int\u00e9r\u00eat de la proc\u00e9dure VBOX r\u00e9side \u00e9galement dans sa facult\u00e9 d’afficher simultan\u00e9ment les moyennes empiriques directes au moyen d’un marqueur graphique param\u00e9trable via l’option MEANATTRS=(SYMBOL=Diamond COLOR=Navy). Cette superposition conjointe de la m\u00e9diane et de la moyenne permet de poser un diagnostic visuel instantan\u00e9 sur la sym\u00e9trie de la distribution : une moyenne s’\u00e9loignant nettement de la barre m\u00e9diane signale une asym\u00e9trie conditionnelle. De surcro\u00eet, les observations atypiques franchissant les moustaches apparaissent sous forme de points individualis\u00e9s, facilitant l’identification des donn\u00e9es aberrantes susceptibles d’influencer le calcul du mod\u00e8le lin\u00e9aire.<\/p>\n Bien que les bo\u00eetes \u00e0 moustaches soient remarquables pour appr\u00e9cier les caract\u00e9ristiques de forme d’une distribution, les conventions \u00e9ditoriales acad\u00e9miques en psychologie cognitive et exp\u00e9rimentale privil\u00e9gient fr\u00e9quemment la pr\u00e9sentation de graphiques de profils de moyennes assortis d’intervalles de dispersion stochastiques. Deux approches graphiques coexistent au sein de PROC SGPLOT pour \u00e9laborer ces figures : l’instruction VBARPARM combin\u00e9e \u00e0 des calculs de bordure pr\u00e9alables, ou l’utilisation de l’instruction DOT ou SERIES adoss\u00e9e \u00e0 des barres d’erreur explicites.<\/p>\n L’analyste dispose de la possibilit\u00e9 de param\u00e9trer avec une rigueur absolue la signification statistique incarn\u00e9e par les segments des barres d’erreur (Error Bars). Il est capital de ne jamais entretenir d’ambigu\u00eft\u00e9 dans la l\u00e9gende du graphique quant \u00e0 l’estimateur d\u00e9ploy\u00e9 :<\/p>\n La stylisation \u00e9ditoriale sous PROC SGPLOT s’ajuste au moyen d’instructions annexes intuitives. L’adjonction des commandes XAXIS et YAXIS autorise la sp\u00e9cification fine des bornes d’\u00e9chelles, l’incr\u00e9mentation des graduations m\u00e9triques et l’\u00e9limination des grilles d’arri\u00e8re-plan superflues pour privil\u00e9gier un habillage \u00e9pur\u00e9 en niveaux de gris (option NOCHECK, GRID OFF, LABELATTRS=(FAMILY=’Arial’ SIZE=10pt)). Ces r\u00e9glages conf\u00e8rent aux figures un rendu professionnel r\u00e9pondant aux pr\u00e9conisations typographiques des p\u00e9riodiques scientifiques.<\/p>\n La validit\u00e9 interne des conclusions inf\u00e9rentielles repose sur la conformit\u00e9 des r\u00e9sidus de mod\u00e9lisation aux hypoth\u00e8ses th\u00e9oriques pos\u00e9es par Gauss-Markov. Si l’\u00e9valuation des scores bruts conditionnels offre des indications pr\u00e9cieuses, l’examen direct des d\u00e9viations r\u00e9siduelles epsilon(ij) = Y(ij) – Y_predit(ij) constitue le test de validation d\u00e9finitif. Dans SAS, l’extraction de ces composantes r\u00e9siduelles s’op\u00e8re en adjoignant une instruction OUTPUT au corps de la proc\u00e9dure PROC GLM.<\/p>\n L’instruction OUTPUT OUT=table_diagnostique PREDICTED=Valeurs_Predites RESIDUAL=Residus_Bruts STUDENT=Residus_Studentises commande \u00e0 SAS de g\u00e9n\u00e9rer une table temporaire enrichie dans laquelle chaque observation individuelle est assortie de sa pr\u00e9diction math\u00e9matique (qui correspond pour l’ANOVA \u00e0 la moyenne de son groupe de rattachement) et de son r\u00e9sidu r\u00e9siduel standardis\u00e9. Cette extraction offre le mat\u00e9riau num\u00e9rique pour d\u00e9clencher une batterie de repr\u00e9sentations diagnostiques approfondies sous PROC SGPLOT.<\/p>\n Le premier graphique diagnostique indispensable consiste \u00e0 tracer le nuage de points croisant les r\u00e9sidus studentis\u00e9s en ordonn\u00e9e et les valeurs pr\u00e9dites en abscisse au moyen de l’instruction SCATTER X=Valeurs_Predites Y=Residus_Studentises. L’adjonction d’une ligne de r\u00e9f\u00e9rence horizontale au niveau z\u00e9ro via l’instruction REFLINE 0 \/ AXIS=Y permet de v\u00e9rifier l’homosc\u00e9dasticit\u00e9 : la dispersion verticale des points autour de cette ligne d’\u00e9quilibre doit demeurer \u00e9quivalente d’un palier pr\u00e9dictif \u00e0 l’autre. Un \u00e9talement des r\u00e9sidus adoptant la forme d’un c\u00f4ne ou d’un entonnoir signale sans \u00e9quivoque une h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 probl\u00e9matique. Enfin, le trac\u00e9 d’un histogramme des r\u00e9sidus superpos\u00e9 \u00e0 une courbe de densit\u00e9 normale th\u00e9orique (via l’instruction HISTOGRAM Residus_Bruts coupl\u00e9e \u00e0 DENSITY Residus_Bruts \/ TYPE=NORMAL) permet de sceller visuellement l’adh\u00e9sion finale au postulat de normalit\u00e9 r\u00e9siduelle.<\/p>\n La r\u00e9daction des conclusions statistiques au sein des revues scientifiques r\u00e9gies par l’American Psychological Association (APA, 7e \u00e9dition) est soumise \u00e0 des normes de formalisation et de typographie rigoureuses. L’objectif est d’assurer une transparence totale et une reproductibilit\u00e9 optimale des \u00e9nonc\u00e9s m\u00e9thodologiques. Pour rendre compte du test F global d’une analyse de variance \u00e0 un facteur, le mod\u00e8le r\u00e9dactionnel prescrit une structure canonique int\u00e9grant les degr\u00e9s de libert\u00e9, la valeur empirique du test, le seuil exact de signification probabiliste et la mesure de taille d’effet correspondante.<\/p>\n Sur le plan typographique formel, toutes les lettres alphab\u00e9tiques symbolisant des param\u00e8tres statistiques ou des m\u00e9triques inf\u00e9rentielles doivent imp\u00e9rativement \u00eatre format\u00e9es en italique : le F majuscule de Fisher (F<\/em>), le p minuscule de la p-valeur (p<\/em>), les abr\u00e9viations de moyennes (M<\/em>) et d’\u00e9carts-types (SD<\/em>), ainsi que la lettre grecque symbolisant l’indice de taille d’effet (\u00c9ta-carr\u00e9 partiel ou Om\u00e9ga-carr\u00e9, \u00e9crit en toutes lettres ou ins\u00e9r\u00e9 via le symbole eta^2<\/em> ou omega^2<\/em>). Les degr\u00e9s de libert\u00e9 associ\u00e9s au mod\u00e8le et \u00e0 l’erreur doivent \u00eatre ins\u00e9r\u00e9s imm\u00e9diatement entre parenth\u00e8ses, s\u00e9par\u00e9s par une virgule, sans espace apr\u00e8s la virgule, accol\u00e9s au symbole de test, sous la forme : F<\/em>(df_modele, df_erreur).<\/p>\n Les r\u00e8gles d’arrondi num\u00e9rique stipulent que les valeurs de statistiques d’\u00e9preuve (F<\/em>) et les indices de taille d’effet doivent \u00eatre document\u00e9s avec deux d\u00e9cimales de pr\u00e9cision (par exemple F<\/em>(2, 42) = 8,45, eta^2<\/em> = 0,29). La restitution de la p-valeur ob\u00e9it \u00e0 une r\u00e8gle sp\u00e9cifique : celle-ci doit \u00eatre rapport\u00e9e avec trois d\u00e9cimales (par exemple p<\/em> = 0,003). De surcro\u00eet, une probabilit\u00e9 ne pouvant exc\u00e9der l’unit\u00e9, le z\u00e9ro liminaire avant la virgule d\u00e9cimale doit \u00eatre omis selon les conventions anglo-saxonnes ou conserv\u00e9 selon les chartes francophones mais toujours sans jamais rapporter de valeur nulle absolue. Si la sortie SAS indique Pr > F < .0001, il est formellement prohib\u00e9 d’\u00e9crire p<\/em> = 0,000 ; il convient d’\u00e9noncer strictement p<\/em> < 0,001.<\/p>\n La communication scientifique des analyses post-hoc ne saurait se borner \u00e0 affirmer qu’une modalit\u00e9 surpasse une autre. Le protocole r\u00e9dactionnel exige d’accompagner chaque comparaison par paires des statistiques descriptives conditionnelles compl\u00e8tes, incluant la moyenne arithm\u00e9tique (M<\/em>) et l’\u00e9cart-type (SD<\/em>) de chacun des groupes sous examen, ainsi que l’intervalle de confiance \u00e0 95 % (not\u00e9 IC 95 %) entourant la diff\u00e9rence observ\u00e9e entre les moyennes.<\/p>\n La narration textuelle doit sp\u00e9cifier la nature pr\u00e9cise de la correction pour comparaisons multiples d\u00e9ploy\u00e9e dans SAS pour contenir le taux d’erreur de premi\u00e8re esp\u00e8ce. Une formulation usuelle s’articule ainsi : Des comparaisons par paires ajust\u00e9es au moyen de la m\u00e9thode HSD de Tukey ont r\u00e9v\u00e9l\u00e9 que les participants soumis \u00e0 la m\u00e9thode d’imagerie visuelle interactive (M<\/em> = 78,42, SD<\/em> = 6,15) ont obtenu des performances significativement sup\u00e9rieures \u00e0 celles des participants assign\u00e9s \u00e0 la m\u00e9thode de r\u00e9p\u00e9tition machinale (M<\/em> = 65,18, SD<\/em> = 7,32), diff\u00e9rence moyenne = 13,24, IC 95 % [8,12, 18,36], p<\/em> < 0,001. Inversement, l’absence d’\u00e9cart statistique entre deux modalit\u00e9s doit \u00eatre document\u00e9e avec la m\u00eame pr\u00e9cision descriptive en soulignant le franchissement de la zone de non-signification.<\/p>\n Dans l’\u00e9ventualit\u00e9 o\u00f9 le dispositif factoriel int\u00e8gre un nombre volumineux de conditions rendant la description textuelle redondante, la confection d’un tableau synth\u00e9tique respectant strictement les standards de mise en page de l’APA constitue la modalit\u00e9 de communication privil\u00e9gi\u00e9e. Un tableau APA se caract\u00e9rise par une sobri\u00e9t\u00e9 g\u00e9om\u00e9trique int\u00e9grale, excluant tout quadrillage vertical et ne conservant que trois lignes horizontales principales de d\u00e9limitation (au-dessus et en dessous de l’en-t\u00eate, et au bas du tableau). Les lettres de classification issues de la commande TUKEY \/ LINES sont juxtapos\u00e9es en exposant \u00e0 c\u00f4t\u00e9 des moyennes pour expliciter les regroupements homog\u00e8nes sans surcharger visuellement la matrice.<\/p>\n Afin d’ancrer ces directives dans la r\u00e9alit\u00e9 de la pratique \u00e9ditoriale, voici un exemple de paragraphe de r\u00e9sultats publiable, formalis\u00e9 pour rendre compte d’une recherche \u00e9valuant l’impact de trois m\u00e9thodes d’apprentissage lexical sur un score continu de r\u00e9tention mn\u00e9sique (variable not\u00e9e Score, n = 15 participants par condition, N = 45) analys\u00e9e sous SAS avec PROC GLM :<\/p>\n Une analyse de variance \u00e0 un facteur pour \u00e9chantillons ind\u00e9pendants a \u00e9t\u00e9 conduite afin de d\u00e9terminer si les scores de r\u00e9tention lexicale \u00e0 48 heures variaient en fonction de la m\u00e9thode d’apprentissage administr\u00e9e (R\u00e9p\u00e9tition traditionnelle, Imagerie visuelle interactive, Approche multisensorielle). L’\u00e9valuation pr\u00e9liminaire des postulats de mod\u00e9lisation a confirm\u00e9 la normalit\u00e9 des r\u00e9sidus de distribution au moyen du test de Shapiro-Wilk (W<\/em> = 0,978, p<\/em> = 0,542) ainsi que l’homog\u00e9n\u00e9it\u00e9 des variances conditionnelles au moyen du test de Levene bas\u00e9 sur la moyenne, F<\/em>(2, 42) = 1,18, p<\/em> = 0,317. Les analyses ont \u00e9t\u00e9 compil\u00e9es sous le logiciel SAS 9.4 \u00e0 l’aide de la proc\u00e9dure GLM.<\/p>\n Les r\u00e9sultats de l’ANOVA omnibus r\u00e9v\u00e8lent un effet principal hautement significatif de la m\u00e9thode d’apprentissage sur les scores de m\u00e9morisation, F<\/em>(2, 42) = 14,82, p<\/em> < 0,001, omega^2<\/em> = 0,38. Conform\u00e9ment aux crit\u00e8res de Cohen, cette valeur d’Om\u00e9ga-carr\u00e9 traduit une taille d’effet tr\u00e8s importante, signalant que 38 % de la variance des performances mn\u00e9siques est expliqu\u00e9e par le protocole exp\u00e9rimental. Les analyses post-hoc d\u00e9ploy\u00e9es selon la proc\u00e9dure de Tukey (HSD) indiquent que l’approche multisensorielle engendre des performances significativement sup\u00e9rieures (M<\/em> = 82,13, SD<\/em> = 6,84) comparativement \u00e0 la m\u00e9thode d’imagerie visuelle (M<\/em> = 74,67, SD<\/em> = 5,92, p<\/em> = 0,008, IC 95 % [1,85, 13,07]) et \u00e0 la r\u00e9p\u00e9tition traditionnelle (M<\/em> = 66,20, SD<\/em> = 7,41, p<\/em> < 0,001, IC 95 % [10,32, 21,54]). Enfin, la m\u00e9thode par imagerie visuelle s’est r\u00e9v\u00e9l\u00e9e significativement plus efficiente que la m\u00e9thode par r\u00e9p\u00e9tition traditionnelle (p<\/em> = 0,002, IC 95 % [2,86, 14,08]). En somme, ces donn\u00e9es soutiennent solidement l’hypoth\u00e8se d’une hi\u00e9rarchie cognitive pr\u00e9f\u00e9rentielle pour l’encodage multimodal des informations verbales.<\/p>\n L’apprentissage de la programmation SAS implique n\u00e9cessairement de d\u00e9velopper des comp\u00e9tences d’investigation pour d\u00e9coder les messages d’avertissement (WARNING) et de refus d’ex\u00e9cution (ERROR) imprim\u00e9s dans le journal d’ex\u00e9cution (SAS Log). La rigueur syntaxique du compilateur SAS ne tol\u00e8re aucune approximation de structure.<\/p>\n L’incident de compilation le plus fr\u00e9quent chez l’analyste d\u00e9butant r\u00e9side dans l’omission pure et simple de l’instruction CLASS en amont de l’instruction MODEL au sein de PROC ANOVA ou PROC GLM. Face \u00e0 ce manquement, SAS \u00e9met une ERROR bloquante signalant que la variable ind\u00e9pendante est continue et refuse de d\u00e9composer la variance en degr\u00e9s de libert\u00e9 discrets, car il tente alors d’ajuster une r\u00e9gression lin\u00e9aire simple continue univari\u00e9e sans classification. Une autre anomalie r\u00e9currente concerne l’absence de l’instruction RUN \u00e0 la terminaison du bloc d\u00e9claratif : la session SAS entre alors en \u00e9tat de veille passive ind\u00e9finie (PROC ANOVA RUNNING), le syst\u00e8me attendant des sp\u00e9cifications compl\u00e9mentaires qui ne surviennent jamais, laissant la fen\u00eatre de r\u00e9sultats d\u00e9sesp\u00e9r\u00e9ment vierge.<\/p>\n Un autre d\u00e9sagr\u00e9ment diagnostique classique concerne la conversion silencieuse ou l’invalidation d’entr\u00e9es cons\u00e9cutive \u00e0 une inad\u00e9quation de format. Si une variable num\u00e9rique comprend par m\u00e9garde un d\u00e9limiteur d\u00e9cimal sous forme de virgule textuelle au lieu du point d\u00e9cimal international dans un fichier source non typ\u00e9, SAS ne g\u00e9n\u00e8re pas n\u00e9cessairement une erreur fatale mais produit un WARNING indiquant que des valeurs non valides ont \u00e9t\u00e9 converties en donn\u00e9es manquantes (. ). Les observations affect\u00e9es sont alors exclues de l’analyse, r\u00e9duisant \u00e0 l’insu de l’exp\u00e9rimentateur le degr\u00e9 de libert\u00e9 r\u00e9siduel (DF Error). L’inspection minutieuse de la premi\u00e8re ligne de texte \u00e9dit\u00e9e par PROC GLM, sp\u00e9cifiant le nombre d’observations engag\u00e9es dans le calcul (Number of Observations Read vs Used), s’av\u00e8re vitale pour v\u00e9rifier qu’aucun sujet n’a \u00e9t\u00e9 accidentellement \u00e9vinc\u00e9 de l’\u00e9chantillonnage.<\/p>\n Lorsque le diagnostic exploratoire met en lumi\u00e8re des violations s\u00e9v\u00e8res des conditions de distribution — typiquement en pr\u00e9sence d’une asym\u00e9trie majeure conjugu\u00e9e \u00e0 un \u00e9chantillon extr\u00eamement restreint (n < 10 par cellule) rendant inapplicable le th\u00e9or\u00e8me central limite —, le statisticien doit imp\u00e9rativement renoncer au mod\u00e8le param\u00e9trique classique fond\u00e9 sur la distribution de Fisher pour ne pas propager d’inf\u00e9rences fallacieuses. La voie de d\u00e9rivation canonique consiste alors \u00e0 mobiliser l’analogue non param\u00e9trique de l’ANOVA \u00e0 un facteur : le test de Kruskal-Wallis par rangs.<\/p>\n L’impl\u00e9mentation du test de Kruskal-Wallis dans l’\u00e9cosyst\u00e8me SAS est d\u00e9l\u00e9gu\u00e9e \u00e0 une proc\u00e9dure utilitaire hautement performante : PROC NPAR1WAY (Non-Parametric One-Way). La syntaxe canonique requiert l’adjonction de l’option WILCOXON au sein de l’instruction d’ouverture de la proc\u00e9dure, formul\u00e9e sous la s\u00e9quence : PROC NPAR1WAY DATA=nom_de_table WILCOXON;. \u00c0 l’instar des proc\u00e9dures lin\u00e9aires, l’agencement s’appuie ensuite sur l’instruction CLASS pour identifier la variable de classification factorielle et sur l’instruction VAR pour cibler la variable d\u00e9pendante continue.<\/p>\n Le principe computationnel du test de Kruskal-Wallis repose sur l’abandon des scores m\u00e9triques bruts au profit de leur conversion ordinale en rangs hi\u00e9rarchiques conjoints s’\u00e9talant de 1 jusqu’\u00e0 N sur l’ensemble global de la base. SAS calcule la somme et la moyenne des rangs assign\u00e9s \u00e0 chaque modalit\u00e9 factorielle. L’algorithme d\u00e9rive ensuite la statistique H de Kruskal-Wallis, qui suit asymptotiquement une loi de distribution de Chi-deux \u00e0 k – 1 degr\u00e9s de libert\u00e9. Si la p-valeur de l’\u00e9preuve du Chi-deux s’\u00e9tablit en de\u00e7\u00e0 du seuil critique alpha de 0,05, l’investigateur peut affirmer l’existence d’une stochastic dominance signifiant que les distributions des sous-populations diff\u00e8rent quant \u00e0 leur position m\u00e9diane, contournant ainsi \u00e9l\u00e9gamment l’imp\u00e9ratif de normalit\u00e9 sans d\u00e9laisser le contr\u00f4le probabiliste.<\/p>\n Dans les configurations empiriques fr\u00e9quentes o\u00f9 l’hypoth\u00e8se de normalit\u00e9 r\u00e9siduelle est pleinement respect\u00e9e, mais o\u00f9 le test de Levene ou de Brown-Forsythe condamne sans \u00e9quivoque le postulat d’homog\u00e9n\u00e9it\u00e9 des variances (h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 av\u00e9r\u00e9e sigma^2(i) distinct de sigma^2(j)) au sein d’un plan exp\u00e9rimental pr\u00e9sentant des effectifs d\u00e9s\u00e9quilibr\u00e9s, le basculement vers un test non param\u00e9trique n’est ni th\u00e9oriquement optimal ni techniquement requis. La r\u00e9ponse m\u00e9thodologique d’\u00e9lection r\u00e9side dans l’application d’une correction de variance h\u00e9t\u00e9rog\u00e8ne : l’ANOVA de Welch.<\/p>\n L’ANOVA de Welch r\u00e9sout l’asym\u00e9trie des dispersions en renon\u00e7ant au principe du poolage commun de l’erreur r\u00e9siduelle intra-groupe (MSW). Au lieu de fondre les variances conditionnelles dans une estimation unique globale, l’algorithme de Welch pond\u00e8re chaque moyenne de groupe par l’inverse de sa variance d’\u00e9chantillonnage sp\u00e9cifique divis\u00e9e par sa taille d’observation (w(i) = n(i) \/ s^2(i)). Cette approche supprime l’influence indue des sous-groupes instables. Pour int\u00e9grer cette modification computationnelle dans SAS, l’analyste utilise l’instruction MEANS en lui adjoignant l’option \/ WELCH au sein de la proc\u00e9dure PROC GLM ou PROC ANOVA.<\/p>\n Dans le tableau r\u00e9capitulatif g\u00e9n\u00e9r\u00e9 par l’option WELCH, SAS d\u00e9livre la statistique de Welch r\u00e9vis\u00e9e ainsi qu’un recalcul math\u00e9matique des degr\u00e9s de libert\u00e9 de l’erreur r\u00e9siduelle. En raison de l’ajustement adaptatif de Satterthwaite gouvernant cette correction, le degr\u00e9 de libert\u00e9 de l’erreur ne correspond plus \u00e0 un entier fixe (N – k), mais prend la forme d’un nombre r\u00e9el d\u00e9cimal ajust\u00e9 (par exemple DF = 18,34). L’\u00e9valuation de la p-valeur associ\u00e9e \u00e0 cette statistique de Welch permet de statuer sur la signification de l’effet avec une rigueur absolue, immunisant l’analyse contre les risques de faux positifs inh\u00e9rents aux variances in\u00e9gales tout en maintenant une puissance statistique substantiellement sup\u00e9rieure aux transformations de variables empiriques approximatives.<\/p>\n American Psychological Association. (2020). Publication manual of the American Psychological Association<\/em> (7th ed.). American Psychological Association. https:\/\/doi.org\/10.1037\/0000165-000<\/a><\/p>\n Cohen, J. (1988). Statistical power analysis for the behavioral sciences<\/em> (2nd ed.). Lawrence Erlbaum Associates.<\/p>\n Fisher, R. A. (1925). Statistical methods for research workers<\/em>. Oliver and Boyd.<\/p>\n Howell, D. C. (2012). Statistical methods for psychology<\/em> (8th ed.). Cengage Learning.<\/p>\n Keppel, G., & Wickens, T. D. (2004). Design and analysis: A researcher’s handbook<\/em> (4th ed.). Pearson Prentice Hall.<\/p>\n Maxwell, S. E., Delaney, H. D., & Kelley, K. (2018). Designing experiments and analyzing data: A model comparison perspective<\/em> (3rd ed.). Routledge. https:\/\/doi.org\/10.4324\/9781315642956<\/a><\/p>\n Olejnik, S., & Algina, J. (2003). Generalized eta and omega squared statistics: Measures of effect size for some common research designs. Psychological Methods<\/em>, 8(4), 434-447. https:\/\/doi.org\/10.1037\/1082-989X.8.4.434<\/a><\/p>\n SAS Institute Inc. (2021). SAS\/STAT 15.2 user’s guide: The ANOVA procedure<\/em>. SAS Institute Inc. https:\/\/support.sas.com\/documentation\/onlinedoc\/stat\/<\/a><\/p>\n2.3 Homog\u00e9n\u00e9it\u00e9 des variances (homosc\u00e9dasticit\u00e9)<\/h3>\n
\nDans le premier cas, qualifi\u00e9 de relation positive, les groupes d\u00e9tenant les effectifs les plus massifs affichent \u00e9galement les variances les plus larges ; l’estimateur pool\u00e9 de l’erreur r\u00e9siduelle se trouve alors d\u00e9mesur\u00e9ment sur\u00e9valu\u00e9, rendant le test excessivement conservateur avec une perte tragique de puissance statistique (taux de fausses alertes tombant bien en de\u00e7\u00e0 de 5 % au d\u00e9triment de la d\u00e9tection des effets r\u00e9els).
\nDans le second cas, dit de relation n\u00e9gative, les groupes aux effectifs les plus restreints poss\u00e8dent les variances les plus \u00e9tendues ; le d\u00e9nominateur MSW est alors dramatiquement sous-estim\u00e9, rendant le test excessivement lib\u00e9ral. Le taux d’erreur de premi\u00e8re esp\u00e8ce peut alors culminer jusqu’\u00e0 15 ou 20 %, produisant une profusion de faux positifs scientifiques. D\u00e8s lors, le diagnostic rigoureux de l’homosc\u00e9dasticit\u00e9 avant toute ANOVA sur donn\u00e9es asym\u00e9triques s’av\u00e8re absolument indispensable.<\/p>\n3. Structuration et importation des donn\u00e9es dans l’environnement SAS<\/h2>\n
3.1 Cr\u00e9ation du jeu de donn\u00e9es exp\u00e9rimental via l’\u00e9tape DATA<\/h3>\n
3.2 Importation de formats externes (CSV, Excel) via PROC IMPORT<\/h3>\n
3.3 Contr\u00f4le qualit\u00e9 et validation de la structure de table<\/h3>\n
![\"one-way](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/anovasas2.jpg\")
4. Diagnostic exploratoire et v\u00e9rification empirique des postulats dans SAS<\/h2>\n
4.1 Statistiques descriptives par groupe avec PROC MEANS<\/h3>\n
4.2 \u00c9valuation de la normalit\u00e9 avec PROC UNIVARIATE<\/h3>\n
4.3 Tests formels d’homosc\u00e9dasticit\u00e9 dans SAS<\/h3>\n
5. Ex\u00e9cution de l’analyse avec la proc\u00e9dure PROC ANOVA<\/h2>\n
5.1 Syntaxe fondamentale et structure d\u00e9clarative<\/h3>\n
5.2 Champ d’application et restriction aux designs \u00e9quilibr\u00e9s<\/h3>\n
5.3 Optimisation des sorties avec le syst\u00e8me ODS Graphics<\/h3>\n
6. D\u00e9codage et interpr\u00e9tation approfondie de la sortie SAS<\/h2>\n
6.1 Analyse du tableau de variance global (ANOVA Table)<\/h3>\n
6.2 Indicateurs d’ajustement : R-carr\u00e9 et coefficient de variation<\/h3>\n
6.3 Prise de d\u00e9cision statistique concernant l’hypoth\u00e8se nulle<\/h3>\n
![\"\"](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/anovasas3.jpg\")
<\/figure>\n7. Analyses post-hoc et ajustement pour comparaisons multiples<\/h2>\n
7.1 Proc\u00e9dure HSD de Tukey via l’instruction MEANS<\/h3>\n
7.2 Alternatives post-hoc : Bonferroni, Scheff\u00e9 et Dunnett<\/h3>\n
7.3 Lecture des matrices de diff\u00e9rences et identification des sous-ensembles homog\u00e8nes<\/h3>\n
8. Traitement des plans d\u00e9s\u00e9quilibr\u00e9s et complexes avec PROC GLM<\/h2>\n
8.1 Transition m\u00e9thodologique de PROC ANOVA vers PROC GLM<\/h3>\n
8.2 Distinction cruciale entre Sommes des Carr\u00e9s de Type I et de Type III<\/h3>\n
8.3 Moyennes des moindres carr\u00e9s (LS-Means) et tests personnalis\u00e9s<\/h3>\n
9. Quantification de la taille d’effet et calcul de puissance a posteriori<\/h2>\n
9.1 Calcul de l’\u00c9ta-carr\u00e9 (Eta-squared) et de l’\u00c9ta-carr\u00e9 partiel<\/h3>\n
\n
9.2 Estimation sans biais avec l’Om\u00e9ga-carr\u00e9 (Omega-squared)<\/h3>\n
9.3 Analyse de la puissance statistique r\u00e9trospective avec PROC POWER<\/h3>\n
10. Repr\u00e9sentations graphiques avanc\u00e9es avec PROC SGPLOT<\/h2>\n
10.1 Diagrammes en bo\u00eetes \u00e0 moustaches (Boxplots) comparatifs<\/h3>\n
10.2 Graphiques de moyennes accompagn\u00e9s des barres d’erreur<\/h3>\n
\n
10.3 Diagnostic visuel des r\u00e9sidus du mod\u00e8le<\/h3>\n
![\"\"](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/anovasas4.jpg\")
<\/figure>\n11. Restitution acad\u00e9mique des r\u00e9sultats selon les normes de l’APA (7e \u00e9dition)<\/h2>\n
11.1 Directives de r\u00e9daction pour le test global omnibus<\/h3>\n
11.2 Pr\u00e9sentation textuelle et tabulaire des comparaisons par paires<\/h3>\n
11.3 Exemple de paragraphe de r\u00e9sultats contextualis\u00e9 \u00e0 l’\u00e9tude<\/h3>\n
12. D\u00e9pannage syntaxique et solutions aux violations m\u00e9thodologiques courantes<\/h2>\n
12.1 Diagnostics des erreurs et alertes classiques dans le log SAS<\/h3>\n
12.2 Alternatives non param\u00e9triques en cas d’\u00e9chec des postulats : PROC NPAR1WAY<\/h3>\n
12.3 Gestion de l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 des variances : ANOVA de Welch dans SAS<\/h3>\n
R\u00e9f\u00e9rences<\/h2>\n